葉 進(jìn) 吳夢嵐 邱文杰 楊 娟 蘭 偉

(1.廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院, 南寧 530004; 2.廣西大學(xué)農(nóng)學(xué)院, 南寧 530004)

0 引言

荔枝廣泛種植在世界各地的亞熱帶地區(qū),內(nèi)含的生物活性化合物和礦物質(zhì)使其具有非常高的營養(yǎng)價(jià)值[1]。據(jù)國家荔枝工業(yè)技術(shù)體系估計(jì),中國大陸荔枝產(chǎn)量近年來保持相對不變,約占世界荔枝生產(chǎn)面積的52.60%;2020年中國大陸荔枝產(chǎn)量約為3.02×109t,比2019年增長54.82%,占全球荔枝產(chǎn)量的近61.34%[2]。在果實(shí)產(chǎn)量預(yù)測中,開花強(qiáng)度(即果園內(nèi)的花數(shù))指導(dǎo)修剪過程,將直接影響果實(shí)產(chǎn)量和質(zhì)量[3],因此荔枝花的檢測對荔枝產(chǎn)量預(yù)測非常重要。

早期許多學(xué)者使用傳統(tǒng)的圖像處理方法對花朵的識別和檢測進(jìn)行了研究。NILSBACK等[4]提出了一種通過RGB圖像自動(dòng)分割花的算法。在這之后, CHAI等[5]提出了一種雙層共分割的圖像分類方法,通過將圖像分割為前景和背景來提高分類性能。

由于農(nóng)作物通常具有雜亂的背景,傳統(tǒng)的圖像處理方法對農(nóng)業(yè)場景中花朵的檢測效果較差。而荔枝花稠密聚集,在繁花期間花朵粘連成簇,密集花朵容易相互遮擋,這使得荔枝花的檢測比傳統(tǒng)的花朵檢測更具挑戰(zhàn)性[6]。對于存在遮擋的作物檢測,近年來的研究方法分為基于特征的手工方法和基于CNN的方法。

常見的特征提取方法包括加速魯棒特征(Speeded-up robust features, SURF)[7]、基于可變形部分的模型(Deformable part-based model, DPM)[8]、標(biāo)度不變特征變換(Scales-invariant feature transformation, SIFT)[9]、定向梯度直方圖(Histogram of oriented gradient, HOG)[10]和Haar-Like特征[11]。上述特征提取方法通常用于密度較低的圖像[12]。在許多應(yīng)用中,使用深度學(xué)習(xí)提取的特征比手工制作的特征更快、更有效[13]。

基于CNN的單級檢測器可以有效地考慮分布在圖像上的數(shù)十萬個(gè)可能的對象位置,并在一個(gè)統(tǒng)一的網(wǎng)絡(luò)中對其進(jìn)行分類,YOLO[14]、RetinaNet[15]和EfficientDet[16]就是很好的例子。相比之下,兩階段探測器的第1階段是從均勻分布的可能的位置過濾一組較小的候選對象,然后在第2階段分類和細(xì)化,如Faster R-CNN[17]和Mask R-CNN[18]。然而,這些方法忽略了在遮擋中檢測失敗的根本原因:在非極大抑制(Non-maximum suppression,NMS)過程中,相互遮擋的對象的建議框很密集,它們會(huì)相互影響,超過交并比(Intersection over union,IoU)閾值的建議框會(huì)被過濾掉,導(dǎo)致檢測遺漏。

為了解決由遮擋引起的荔枝花漏檢問題,提高對密集荔枝花檢測的準(zhǔn)確率,本研究提出調(diào)整建議框和預(yù)測框位置的polyphyletic損失函數(shù)。polyphyletic損失迫使預(yù)測框緊密地接近和定位相應(yīng)的物體,并訓(xùn)練一個(gè)可能對周圍目標(biāo)的排斥非常有利的最優(yōu)檢測器。為實(shí)現(xiàn)聚合能力和排斥能力,本文引入一種聚集損失和排斥損失。將該方法在自建的荔枝花數(shù)據(jù)集上與其他方法進(jìn)行比較,驗(yàn)證該方法良好的檢測性能。同時(shí),在自建荔枝花數(shù)據(jù)集上與其他方法進(jìn)行比較,并對蘋果花數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),驗(yàn)證該方法的有效性和實(shí)用性。

1 材料與預(yù)處理

1.1 數(shù)據(jù)集獲取

本研究使用兩種不同的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),一種是自建的荔枝花數(shù)據(jù)集,即本文所研究的對象,第2種是標(biāo)準(zhǔn)的蘋果花數(shù)據(jù)集,用于本研究方法的通用性證明。荔枝花的自建圖像采集于廣西大學(xué)農(nóng)學(xué)院試驗(yàn)田(22°50′28.41″N,108°17′9.00″E)。這些圖像拍攝于晴天中午,使用移動(dòng)設(shè)備獲得1 039幅圖像。由于荔枝花小而致密,將圖像分割成9×9個(gè)部分。經(jīng)過篩選,共有2 600幅圖像,包括荔枝花粘附、不同大小、不同無序角度、不同遮擋的情況。圖像尺寸為997像素×997像素。選擇2 600幅圖像中的520幅作為測試集,并將其余的2 080幅圖像作為訓(xùn)練集。手動(dòng)進(jìn)行圖像矩形注釋,并保存在“xml”文件中。圖1顯示了荔枝花數(shù)據(jù)集的示例。

圖1 自建的荔枝花數(shù)據(jù)集

多種果花標(biāo)準(zhǔn)數(shù)據(jù)集[19]包括4部分:蘋果A、蘋果B、桃子和梨。本文利用蘋果A進(jìn)行實(shí)驗(yàn)。這些數(shù)據(jù)是在美國農(nóng)業(yè)部的果園內(nèi)收集,圖像中的蘋果樹由喬樹支撐,并成排種植。

這些圖像通過手持相機(jī)獲得,共147幅圖像。從這個(gè)總數(shù)中,隨機(jī)選擇100幅圖像來構(gòu)建一個(gè)CNN的訓(xùn)練集。平均而言,花只占這個(gè)數(shù)據(jù)集中總圖像面積的25%,故將圖像進(jìn)行16×16分割處理,分割后圖像尺寸為389像素×389像素,如圖2所示。

圖2 蘋果花數(shù)據(jù)分割效果

1.2 數(shù)據(jù)增強(qiáng)

深度學(xué)習(xí)訓(xùn)練需要大量的數(shù)據(jù)來提高檢測精度,防止模型訓(xùn)練過度擬合和不收斂。而且由于條件不同,人工采集的數(shù)據(jù)量通常不足,因此有必要增強(qiáng)數(shù)據(jù)集。本文采用幾何變換的數(shù)據(jù)增強(qiáng)方法,包括隨機(jī)旋轉(zhuǎn)、水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)。隨機(jī)旋轉(zhuǎn)是將圖像隨機(jī)在0°～360°間旋轉(zhuǎn),本研究選擇將圖像分別旋轉(zhuǎn)90°、180°和270°。水平翻轉(zhuǎn)是指沿著圖像的垂直中心線左右翻轉(zhuǎn)圖像。垂直翻轉(zhuǎn)是指沿著圖像的水平中心線上下翻轉(zhuǎn)圖像。

1.3 特征提取

圖像特征作為一種可以在圖像上識別的屬性,一般分為形狀特征、顏色特征和紋理特征3種。而特征提取就是通過分析處理圖像內(nèi)容中蘊(yùn)含的信息來達(dá)到圖像標(biāo)識與分類的目的,此外特征提取的結(jié)果還會(huì)直接影響到圖像處理效果[20]。由于花朵圖像特征復(fù)雜,常需先檢測原圖像中花朵輪廓,然后提取特征點(diǎn)。

在對數(shù)據(jù)集中花朵圖像使用改進(jìn)Sobel算子檢測邊緣之后,應(yīng)用于SIFT算法特征提取中,即使用SIFT算法描述花朵圖像的形狀特征。尺度空間概念定義函數(shù)為

T(x,y,ρ)=S(x,y,ρ)I(x,y)

(1)

(2)

式中x——橫坐標(biāo)y——縱坐標(biāo)

ρ——標(biāo)準(zhǔn)差

T(x,y,ρ)——尺度空間變換函數(shù)

I(x,y)——原圖中像素坐標(biāo)

S——高斯函數(shù)

通過將不同尺度高斯差分與圖像卷積獲得高斯差分算子,能夠在尺度空間內(nèi)有效地檢測出關(guān)鍵點(diǎn)。具體函數(shù)公式為

D(x,y,ρ)=(S(x,y,kρ)-S(x,y,ρ))I(x,y)=T(x,y,kρ)-T(x,y,ρ)

(3)

式中k——常數(shù)D——高斯差分算子

關(guān)鍵點(diǎn)定位就是剔除低對比度、邊緣等關(guān)鍵點(diǎn),準(zhǔn)確地定位關(guān)鍵點(diǎn)位置、尺度等信息,增強(qiáng)匹配精度。實(shí)驗(yàn)表明,當(dāng)像素灰度范圍為0～1時(shí),可舍棄0.04以下的極值點(diǎn),從而去除了相對不穩(wěn)定極值點(diǎn)。根據(jù)像素在關(guān)鍵點(diǎn)區(qū)域內(nèi)梯度方向的分布特征,可對花朵圖像上的特征關(guān)鍵點(diǎn)規(guī)定方向參數(shù)(位置、尺度、方向),從而使關(guān)鍵點(diǎn)具備平移、縮放及旋轉(zhuǎn)不變性。經(jīng)過方向分配后,特征描述子可以更加精確地描述該圖像中花的形狀特征,可以更加完美地提取花的整體輪廓形狀。

2 遮擋檢測方法

2.1 polyphyletic損失函數(shù)

為了提高預(yù)測框生成質(zhì)量和檢測精度,本研究提出polyphyletic損失函數(shù),將聚合項(xiàng)和排斥項(xiàng)添加到經(jīng)典的損失函數(shù)中[17],polyphyletic損失函數(shù)定義為

L=LCls+αLReg+βLCom+γLSegGT+δLSegBox

(4)

其中

式中LCls——經(jīng)典分類損失

LReg、LCom——聚合項(xiàng)中的回歸項(xiàng)和緊湊項(xiàng),作用為使預(yù)測框和建議框接近真實(shí)框

LSegGT、LSegBox——排斥項(xiàng),使預(yù)測框遠(yuǎn)離周圍的真實(shí)框和預(yù)測其他目標(biāo)的預(yù)測框

yi——第i個(gè)預(yù)測框是否包含一個(gè)目標(biāo),取0或1

Yi——預(yù)測概率

n——預(yù)測總數(shù)

α、β、γ、δ——權(quán)重

圖3為polyphyletic損失值計(jì)算的2部分:用于將預(yù)測框回歸到真實(shí)框的聚合項(xiàng),以及用于使預(yù)測框遠(yuǎn)離周圍目標(biāo)真實(shí)框和預(yù)測框的排斥項(xiàng)。

圖3 polyphyletic損失值計(jì)算圖

設(shè)F=(xF,yF,wF,hF)、P=(xP,yP,wP,hP)和G=(xG,yG,wG,hG)為預(yù)測框、建議框和真實(shí)框,w和h分別為寬度和高度。F+={F1,F2,…,Fn}表示所有正樣本預(yù)測框的集合(交并比(IoU)大于0.5的預(yù)測框),Pi表示第i個(gè)預(yù)測目標(biāo)的所有建議框的集合,其中i=1,2,…,n。G+={G1,G2,…,Gn}表示所有真實(shí)框的集合。

2.1.1聚合項(xiàng)

為了減小預(yù)測框與真實(shí)框之間的距離,常用的方法是歐幾里得距離[21]、SmoothL1距離[22]或IoU損失[23]。

SmoothL1距離是計(jì)算預(yù)測框和真實(shí)框之間的曼哈頓距離,不夠精確,不足以計(jì)算兩點(diǎn)之間的真實(shí)距離,而當(dāng)預(yù)測框的面積遠(yuǎn)大于真實(shí)框的面積時(shí),預(yù)測框的變化引起的IoU損失變化不大,預(yù)測框與真實(shí)框的重疊度不夠準(zhǔn)確,因此采用歐氏距離來計(jì)算回歸損失值?；貧w項(xiàng)的定義為

(5)

(6)

式中Fi——計(jì)算回歸損失的預(yù)測框

G——真實(shí)框

(7)

式中 |Pi|——預(yù)測第i個(gè)目標(biāo)的所有建議框總數(shù)

|F+|——所有預(yù)測目標(biāo)數(shù)量

該函數(shù)項(xiàng)計(jì)算了圖像中每個(gè)目標(biāo)的建議框的平均預(yù)測與相應(yīng)的真實(shí)框之間的差值,并描述了建議框與真實(shí)框的緊密性。α和β是平衡LReg和LCom項(xiàng)的超參數(shù)。

2.1.2排斥項(xiàng)

當(dāng)檢測有遮擋的密集對象,預(yù)測框輕微或顯著地移動(dòng)到相鄰的非目標(biāo)真實(shí)對象或結(jié)合多個(gè)重疊的真實(shí)對象時(shí),通常會(huì)出現(xiàn)密集檢測誤差。此外,密集檢測誤差通常具有相對較高的置信度,導(dǎo)致最高級別的假陽性,如圖4所示。這表明,為了提高檢測器對密集荔枝花檢測的魯棒性,邊界框回歸需要更多的損失識別。綠色框是正確的預(yù)測邊界框,而紅色框是由于遮擋引起的假陽性。檢測器輸出的置信度分?jǐn)?shù)也被附加在圖像中。當(dāng)預(yù)測框靠近相鄰的荔枝花目標(biāo)或多個(gè)荔枝花目標(biāo)重疊度較高時(shí),通常只會(huì)檢測為一個(gè)荔枝花目標(biāo)。

圖4 密集荔枝花錯(cuò)誤檢測的可視化示例

(8)

式中F——預(yù)測框

為了避免并集遠(yuǎn)大于交集的情況,本文選擇真實(shí)框交集(IoG),計(jì)算公式為

(9)

式中IoG(F,G)——預(yù)測框與真實(shí)框重疊度占比

area——面積函數(shù)

(10)

其中

(11)

式中 Smoothlnz——光滑ln函數(shù),在(0,1)中連續(xù)可微

σ——平滑參數(shù),用于調(diào)整排斥損失對異常值的敏感性,σ∈[0,1)

預(yù)測框與非目標(biāo)真實(shí)框重疊越多,邊界框回歸器添加的懲罰就越多,LSegGT損失可以有效地阻止預(yù)測的邊界框轉(zhuǎn)移到非目標(biāo)的鄰近目標(biāo)。

最后一個(gè)LSegBox損失項(xiàng)通過排除具有不同指定目標(biāo)的額外預(yù)測框來降低檢測器對非極大抑制的靈敏度。F+被分成|G+|個(gè)不相交的子集,F+=F1∩F2∩…∩F|G+|。對于從兩個(gè)不同的子集隨機(jī)抽樣的兩個(gè)方案Fi∈F+{Fj}和Fj∈F+Fi},期望預(yù)測框Fi和Fj的重疊應(yīng)該盡可能的小,其中i,j=1,2,…,|G+|,且i≠j。因此,LSegBox損失項(xiàng)函數(shù)表示為

(12)

其中,ε為一個(gè)小常數(shù),以避免分母為0時(shí)的誤差,當(dāng)IoU(Fi,Fj)>0時(shí),II為恒等函數(shù)。從式(12)可以看出,兩個(gè)具有不同指定目標(biāo)的預(yù)測框之間的IoU面積非常小才能最小化LSegBox。這意味著在非極大抑制之后,LSegBox可能會(huì)降低具有單獨(dú)回歸目標(biāo)的預(yù)測邊界框合并成一個(gè)框的可能性,使檢測器對密集和遮擋的情況更具有魯棒性。γ和δ是平衡LSegGT和LSegBox項(xiàng)的超參數(shù)。

2.2 漏檢分析

使用文獻(xiàn)[17]經(jīng)典方法來測試不同遮擋程度的檢測效果,包括無遮擋、輕微遮擋和嚴(yán)重遮擋。從圖5 可以看出,遮擋程度越大,遺漏檢測的比例越大。

圖5 不同遮擋程度數(shù)據(jù)集的假陽性數(shù)和假陰性數(shù)

通過降低IoU閾值(從0.7減少到0.5)來減少遺漏檢測的數(shù)量,導(dǎo)致遺漏檢測的比例更大(從60.7%增加到67.3%)。這是因?yàn)樵诜菢O大抑制過程中,由于作物的密集分布,通過訓(xùn)練產(chǎn)生的候選框也非常密集。只調(diào)整IoU的閾值并不能產(chǎn)生較高可信度的預(yù)測框。為了減少遮擋引起的漏檢,需要調(diào)整建議框的位置。本文提出的polyphyletic損失就是為此目的而設(shè)計(jì)。

3 結(jié)果與分析

本文實(shí)驗(yàn)硬件環(huán)境為:Inteli9-10900x(3.20 GHz)10核20線程CPU,NVIDIA GeForceRTX2080Ti11GB×2。實(shí)驗(yàn)軟件環(huán)境為Windows 10系統(tǒng),CUDA版本為10.1,cuDNN版本為7.0、pycharm版本為2018.2。實(shí)驗(yàn)框架的前端和后端分別為Keras和Pytorch。

3.1 不同算法的檢測結(jié)果

選擇缺失率(Miss rate, MR)、召回率(Recall)、精確率(Precision)、F1值和平均精度均值(mAP)作為評價(jià)指標(biāo)。精確率為5次重復(fù)實(shí)驗(yàn)中精度最高的取值,平均精度均值為5次重復(fù)實(shí)驗(yàn)的平均精度。

使用本文制作的荔枝花數(shù)據(jù)集對Faster R-CNN[17]、Focus Loss[25]、AdaptiveNMS[26]和Mask R-CNN[18]進(jìn)行訓(xùn)練,得到最優(yōu)模型之后,分別設(shè)置不同的IoU值在測試集上進(jìn)行測試,5種方法的缺失率、召回率、F1值、精確率和平均準(zhǔn)確率如表1所示。

表1 不同研究方法的檢測結(jié)果

使用ResNet50作為主干網(wǎng)絡(luò),Faster R-CNN作為基準(zhǔn)在檢測密集遮擋物上性能較差,識別精度僅為60%～70%。Focus Loss在Faster R-CNN的基礎(chǔ)上進(jìn)行損失函數(shù)的改進(jìn),降低正樣本在損失中的權(quán)重,增加對錯(cuò)誤案例的懲罰,提升了對遮擋物的檢測精度,在本研究的自建荔枝花數(shù)據(jù)集中mAP達(dá)到73.84%。AdaptiveNMS提出了密度預(yù)測模塊,自適應(yīng)的調(diào)整非極大抑制時(shí)的閾值,使得待檢測物體重疊時(shí)盡可能保留正確的預(yù)測框,數(shù)據(jù)集上的mAP達(dá)到79.59%。Mask R-CNN在Faster R-CNN的基礎(chǔ)上添加了一個(gè)預(yù)測分割mask的分支,將RoI Pooling 層替換成了RoIAlign層,并添加了并列的FCN層(mask層),在荔枝花數(shù)據(jù)集上的mAP達(dá)到83.08%,分別比Faster R-CNN和Focus Loss提高15.23、9.24個(gè)百分點(diǎn),在其他方法中的準(zhǔn)確率最高。而本文方法的識別mAP為87.94%,比Mask R-CNN 高約4個(gè)百分點(diǎn),召回率也提高了約9個(gè)百分點(diǎn),證明了本文方法在檢測密集遮擋目標(biāo)方面的有效性。同時(shí)將Faster R-CNN作為基準(zhǔn),直觀地比較了本文方法和Mask R-CNN的檢測結(jié)果,如圖6所示。

圖6 不同方法在荔枝花數(shù)據(jù)集上的檢測結(jié)果

3.2 通用性證明

將本文方法與其他方法分別在蘋果花數(shù)據(jù)集和荔枝花數(shù)據(jù)集上進(jìn)行比較。由于蘋果花數(shù)據(jù)集中的蘋果花是整個(gè)蘋果樹的圖像,蘋果花與蘋果花之間的分布較荔枝花相對稀疏;可以認(rèn)為蘋果花數(shù)據(jù)集是一般遮擋的對象,而荔枝花數(shù)據(jù)集是嚴(yán)重遮擋的對象。在IoU為0.5的條件下,以平均每幅圖像中的假陽性數(shù)量為橫軸,缺失率為縱軸,結(jié)果如圖7所示。從實(shí)驗(yàn)結(jié)果可以看出,本文方法在兩個(gè)數(shù)據(jù)集上都表現(xiàn)出了良好的性能。在密集的荔枝花數(shù)據(jù)集上,本文方法的缺失率為2.36%,這優(yōu)于另外4種方法。本文方法在蘋果花數(shù)據(jù)集上與Mask R-CNN相比,MR僅有微小差異,反映了本文方法在檢測一般遮擋對象時(shí)的魯棒性。

圖7 不同方法對蘋果花數(shù)據(jù)集和荔枝花數(shù)據(jù)集處理效果比較

3.3 消融實(shí)驗(yàn)

在polyphyletic損失函數(shù)中去除不同的項(xiàng),包括去除特征提取(polyphyletic-Fe)、去除聚合項(xiàng)(polyphyletic-Com)和去除排斥項(xiàng)(polyphyletic-Seg),以檢驗(yàn)每個(gè)部分的有效性。其中Fe、Com和Seg分別代表polyphyletic損失函數(shù)中的特征提取、聚合項(xiàng)和排斥項(xiàng)。表2中的實(shí)驗(yàn)結(jié)果表明,刪除了特征提取后檢測精度略有下降,在刪除聚合項(xiàng)后,檢測準(zhǔn)確率從87.94%下降到83.76%,降低 4.18個(gè)百分點(diǎn),刪除了排斥項(xiàng)后降低9.37個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果驗(yàn)證了在損失函數(shù)上改進(jìn)的有效性。圖8為在基本損失函數(shù)中添加一個(gè)聚合項(xiàng)(+LCom)前后的建議框的可視化比較,通過添加聚合項(xiàng),比較經(jīng)典損失函數(shù)和非極大抑制前的建議邊界框。在經(jīng)典損失函數(shù)+LCom結(jié)果中,兩個(gè)相鄰真實(shí)目標(biāo)之間的建議框相交面積較小,每個(gè)真實(shí)目標(biāo)的建議框也更緊湊,這在密集遮擋場景中是可取的。

表2 消融實(shí)驗(yàn)結(jié)果

圖8 在經(jīng)典損失函數(shù)中加入聚合項(xiàng)(+LCom)前后的建議框?qū)Ρ?/p>

3.4 超參數(shù)設(shè)置

由表3可知,當(dāng)σ為1.0時(shí),通過在合理的評估設(shè)置中添加LSegGT,缺失率為13.7%,達(dá)最佳性能[17]。

表3 σ取不同值時(shí)的LSegGT和LSegBox的缺失率

在實(shí)驗(yàn)開始時(shí),在荔枝花數(shù)據(jù)集的驗(yàn)證子集上通過調(diào)整損失函數(shù)的權(quán)重系數(shù)來平衡不同項(xiàng)的損失值,并使用缺失率來測量不同權(quán)重系數(shù)下的模型檢測性能。如表4、5所示,α=0.6、β=0.4、γ=0.5和δ=0.5時(shí)模型的檢測效果最佳。

表4 α、β取不同值時(shí)的缺失率

表5 γ、δ取不同值時(shí)的缺失率

4 結(jié)論

(1)設(shè)計(jì)了包含聚集能力和排斥能力的polyphyletic損失函數(shù),首先在經(jīng)典的損失函數(shù)中加入聚合項(xiàng),迫使預(yù)測框接近并緊密定位相應(yīng)的荔枝花目標(biāo),從而使預(yù)測目標(biāo)的多個(gè)建議框緊密聚集。同時(shí)在損失函數(shù)中添加了兩種類型的排斥項(xiàng)來優(yōu)化模型,使目標(biāo)預(yù)測框遠(yuǎn)離其他目標(biāo)真實(shí)框,以減少不同目標(biāo)之間預(yù)測框的重疊。

(2)實(shí)驗(yàn)結(jié)果表明,本文設(shè)計(jì)的polyphyletic損失函數(shù)對密集荔枝花檢測的平均精度均值為87.94%,F1值為87.07%,缺失率為13.29%,召回率為86.21%。與Faster R-CNN、Focus Loss、AdaptiveNMS、Mask R-CNN相比,本文方法對密集荔枝花檢測具有更高的準(zhǔn)確率和更低的缺失率。